[發(fā)明專利]一種流形學(xué)習(xí)在故障診斷數(shù)據(jù)提取中的應(yīng)用

在審

• 申請?zhí)枺?/td>: 201710607305.2
• 申請日: 2017-07-24
• 公開（公告）號: CN107527064A
• 公開（公告）日: 2017-12-29
• 發(fā)明（設(shè)計）人: 何俊;孫國璽;胡勤;葉博仁
• 申請（專利權(quán)）人: 廣東石油化工學(xué)院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/13;G06F17/16
• 代理公司: 重慶信航知識產(chǎn)權(quán)代理有限公司50218
• 代理人: 穆祥維

技術(shù)領(lǐng)域

本發(fā)明涉及故障診斷技術(shù)領(lǐng)域，具體為一種流形學(xué)習(xí)在故障診斷數(shù)據(jù)提取中的應(yīng)用。

背景技術(shù)

面對大型旋轉(zhuǎn)機械的故障診斷信息日益復(fù)雜化、非線性化的特點，傳統(tǒng)的特征提取方法存在著一定的缺陷，造成特征冗余和精度較低等結(jié)果。流形學(xué)習(xí)作為一種非線性降維方法，能夠很好的將低維數(shù)據(jù)結(jié)構(gòu)從高維數(shù)據(jù)空間當(dāng)中提取出來，能夠作為一種特征提取方法對復(fù)雜的故障信息進行處理再對此進行識別分類。本文提出一種基于截斷牛頓內(nèi)點法的局部線性嵌入算法對故障信息進行特征提取處理后，再使用支持向量機方法進行識別。該方法獲得較高的識別精度，表明了該方法的可行性和有效性。隨著科技的迅猛發(fā)展，各行各業(yè)的信息化程度不斷提升。在這個信息化的時代，人們面臨著如何處理每天都會發(fā)生爆發(fā)性增長的海量信息的難題。模式識別和機器學(xué)習(xí)的出現(xiàn)，則大大減輕人們的工作量。但是，由于人們所處理的數(shù)據(jù)變得越來越復(fù)雜，而“維數(shù)災(zāi)難”問題也越發(fā)突出。隨著維數(shù)的增長，計算量就會呈指數(shù)形式發(fā)生增長，算法的計算成本也會相應(yīng)提高。為了解決“維數(shù)災(zāi)難”的問題，研究人員提出了數(shù)據(jù)降維的算法，用于在保留信息量的同時，盡可能地去降低數(shù)據(jù)的復(fù)雜程度，減少計算量。數(shù)據(jù)降維方法一般可以分為兩類：線性降維算法和非線性降維算法。

對于大型旋轉(zhuǎn)機械而言，由于部件之間的耦合震動、故障的早期征兆不明顯等特性，有時候不得不讓研究人員進行人工干預(yù)。特征提取是機械故障診斷的重要部分，如何高效地提取出相關(guān)性最高的特征，一直是機械故障診斷領(lǐng)域的一個研究方向。傳統(tǒng)的特征提取方法是，首先對故障信息進行時、頻域分析，然后由工作人員對分析結(jié)果進行人工篩選，然后才能進行識別。而這樣的模型不僅使得故障診斷的計算成本過高，同時由于時、頻域分析的局限性，診斷精度也會受到干擾。因此，近年來，研究人員開始將流形學(xué)習(xí)方法運用在故障診斷領(lǐng)域。

流形學(xué)習(xí)的作用是在非高維數(shù)據(jù)空間中分析出數(shù)據(jù)的低維流形結(jié)構(gòu)，發(fā)現(xiàn)數(shù)據(jù)的本征維數(shù)，因此對于所處理的數(shù)據(jù)同樣十分復(fù)雜的圖像處理領(lǐng)域，近年來流形學(xué)習(xí)也同樣是研究人員的研究方向。無論是圖像檢索還是圖像降噪方面，流形學(xué)習(xí)都起著巨大的促進作用。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種流形學(xué)習(xí)在故障診斷數(shù)據(jù)提取中的應(yīng)用，該流形學(xué)習(xí)在故障診斷數(shù)據(jù)提取中的應(yīng)用具體步驟如下：

S1：L1范數(shù)是指向量中各個元素絕對值之和，也有個美稱叫“稀疏規(guī)則算子”(Lasso regularization)，雖然L0范數(shù)同樣可以用于實現(xiàn)稀疏化，提高模型的特征選取能力和可解釋性，但是與L0范數(shù)相比，L1范數(shù)更容易進行優(yōu)化求解，L1最小化的形式為

arg min f(W)+λ||W||₁；

S2：局部線性嵌入LLE，

LLE通過數(shù)據(jù)重構(gòu)，獲取局部權(quán)重矩陣，通過權(quán)重矩陣將數(shù)據(jù)點映射到低維空間當(dāng)中，保留了數(shù)據(jù)原有的幾何拓撲結(jié)構(gòu)，作為流形學(xué)習(xí)的經(jīng)典算法，LLE被廣泛應(yīng)用在多個領(lǐng)域當(dāng)中，具體步驟如下：

X是一組高維數(shù)據(jù)集，令X＝[x₁,x₂,……,x_N]，X∈R^D×N，而低維嵌入坐標(biāo)為Y,Y＝[y₁,y₂,……,y_N]，Y∈R^d×N，D為高維數(shù)據(jù)維數(shù)，d為低維嵌入空間維數(shù)，N為采集樣本數(shù)量，k為樣本的近鄰點數(shù)量，W為X的重構(gòu)權(quán)重矩陣，W＝[W₁,W₂,……,W_N]，W∈R^d×k，

1)計算出高維數(shù)據(jù)集中點與點之間的相似性，篩選出與點x_i(i＝1,2,……,N)相似程度最高的一組點并將其記為近鄰點，一般情況下，都使用歐氏距離作為測量的標(biāo)準(zhǔn)，而距離空間中計算兩點之間的相似性可以用一下形式來進行表示

H_ij＝K_ii-2K_ij+K_jj

而

滿足Mercer定理，若φ(X_i)＝X_i，K_ij＝X_i·X_j，那么就能證明該距離空間是線性空間，或者可以高維數(shù)據(jù)集X轉(zhuǎn)換到相對空間之中，然后在相對空間計算相似性，選出近鄰點；